Jul, 2024

FALCON：一种用于快速单张图像去雾的频率伴随链接和连续密度掩码

PDF
TL;DRFALCON 是一种单图像去雾系统，利用频域操作来扩大感知范围，通过连续密度掩模来处理大气散射模型，具备在实时应用领域（如自动驾驶）中获得最新性能的能力。
image dehazingatmospheric interferencefalconreal-time applicabilityautonomous driving
发现论文，激发创造
  • 适频扩散模型用于实景去雾

    基于条件扩散模型的去雾方法利用深度学习，通过降低频谱偏差和模拟多样化的雾气，显著改进了真实世界图像去雾的效果。

    Aug, 2023

  • DADFNet：双注意与双频率引导除雾网络，用于视频驱动的智能交通

    该研究提出了一种双重关注和双频引导去雾网络（称为 DADFNet）用于实时视野增强，以改善交通管理系统中受恶劣天气影响的图像检测精度。

    Apr, 2023

  • 逐层特征融合网络用于逼真图像去雾

    本文提出了一个基于 U-Net 的编码器 - 解码器深层网络模型用于单幅图像去雾。该模型通过逐步特征融合，直接从观察到的有雾图像到去雾地面真实的高度非线性变换函数。在两个公共的图像去雾基准测试中，该模型在 GPU 的高效内存使用下能够令人满意地恢复超高清分辨率模糊图像，达到了顶尖水平。

    Oct, 2018

  • FriendNet：适用于目标检测的去雾网络

    该论文通过结合图像恢复和目标检测，提出了一种提升恶劣天气条件下目标检测性能的有效架构 FriendNet，并通过引导信息和任务驱动学习实现了适合检测的去雾技术。

    Mar, 2024

  • 迈向域不变的单张图像去雾

    本文提出了一种基于编码器 - 解码器网络和空间感知通道注意机制的去雾算法，并引入一种贪婪本地化数据增强机制以确保去除影响后的图像的一致性，为了消除人工合成图像与真实数据集之间的差异，提出了对抗性的先验引导框架来确保性能一致性，并在实验中取得了最先进的效果。

    Jan, 2021

  • FD-GAN：单张图像去雾的融合鉴别器生成对抗网络

    本研究提出了一种全面的、端到端的生成对抗网络，结合了融合鉴别器 (FD-GAN)，它可以更自然、更真实地生成去雾图像，并且已经在在公共合成数据集和真实世界图像上表现出最先进的性能，取得了更具视觉效果的去雾结果。

    Jan, 2020

  • 一种多功能去雾网络

    本文提出了一种基于卷积神经网络的图像去雾模型 AOD-Net，其通过一种新颖的端到端设计，直接生成干净图像，进而通过与 Faster R-CNN 模型的级联来提高雾图上的目标检测性能。实验结果表明，该模型在合成和自然雾图数据集上均表现出比现有模型更卓越的 PSNR, SSIM 和主观视觉质量表现。

    Jul, 2017

  • 突破雾霾：基于快速傅里叶卷积和 ConvNeXt 的先进非均匀去雾方法

    该研究提出了一种新的两分支网络，利用 2D 离散小波变换、快速傅里叶卷积残差块和预训练的 ConvNeXt 模型来解决雾霾图像非均质去雾的问题，并进行了大量实验验证其有效性。

    May, 2023

  • FFA-Net：用于单幅图像去雾的特征融合注意力网络

    本文提出了一种端到端的特征融合注意力网络 (FFA-Net) 直接还原无雾图像，该结构在关注机制、残差学习和特征融合等多方面进行了改进，最终在单幅图像去雾方面取得了最新的最好结果。

    Nov, 2019

  • 一种级联卷积神经网络用于单幅图像去雾

    本文介绍了一种用于单一模糊图像恢复的级联 CNN 方法，该方法同时考虑了介质透射和全局大气光。使用该方法可以更准确和有效地去除室外天气带来的雾霾问题，并优于现有的去雾方法。

    Mar, 2018